Pesquisa vetorial Mosaic AI
Este artigo fornece uma visão geral da solução de banco de dados vetorial da Databricks, Mosaic AI Vetor Search, incluindo o que é e como funciona.
O que é Mosaic AI Vetor Search?
O Mosaic AI Vetor Search é um banco de dados vetorial integrado à plataforma Databricks Data Intelligence e integrado às suas ferramentas de governança e produtividade. Um banco de dados vetorial é um banco de dados otimizado para armazenar e recuperar incorporações. Incorporações são representações matemáticas do conteúdo semântico de dados, normalmente dados de texto ou imagem. As incorporações são geradas por um modelo de linguagem grande e são um componente-chave de muitos aplicativos GenAI que dependem da localização de documentos ou imagens semelhantes entre si. Exemplos são sistemas RAG, sistemas de recomendação e reconhecimento de imagem e vídeo.
Com o Mosaic AI Vetor Search, você cria um índice de pesquisa vetorial a partir de uma tabela Delta. O índice inclui dados incorporados com metadados. Em seguida, você pode consultar o índice usando uma API REST para identificar os vetores mais semelhantes e retornar os documentos associados. Você pode estruturar o índice para sincronizar automaticamente quando a tabela Delta subjacente for atualizada.
O Mosaic AI Vetor Search suporta o seguinte:
- Pesquisa híbrida de semelhança de palavras-chave.
- Filtragem.
- Listas de controle de acesso (ACLs) para gerenciar pontos de extremidade de pesquisa vetorial.
- Sincronize apenas colunas selecionadas.
- Salve e sincronize as incorporações geradas.
Como funciona o Mosaic AI Vetor Search?
O Mosaic AI Vetor Search usa o algoritmo Hierarchical Navigable Small World (HNSW) para suas pesquisas aproximadas de vizinhos mais próximos e a métrica de distância L2 para medir a semelhança do vetor de incorporação. Se você quiser usar a semelhança de cosseno, você precisa normalizar suas incorporações de ponto de dados antes de alimentá-las na pesquisa vetorial. Quando os pontos de dados são normalizados, o ranking produzido pela distância L2 é o mesmo que o ranking produz pela semelhança cosseno.
O Mosaic AI Vetor Search também suporta pesquisa híbrida de semelhança de palavras-chave, que combina pesquisa de incorporação baseada em vetor com técnicas tradicionais de pesquisa baseadas em palavras-chave. Essa abordagem corresponde a palavras exatas na consulta e, ao mesmo tempo, usa uma pesquisa de semelhança baseada em vetor para capturar as relações semânticas e o contexto da consulta.
Ao integrar estas duas técnicas, a pesquisa híbrida de semelhança de palavras-chave recupera documentos que contêm não só as palavras-chave exatas, mas também aquelas que são conceptualmente semelhantes, fornecendo resultados de pesquisa mais abrangentes e relevantes. Este método é particularmente útil em aplicações RAG onde os dados de origem têm palavras-chave exclusivas, como SKUs ou identificadores que não são adequados para pesquisa de semelhança pura.
Para obter detalhes sobre a API, consulte a referência do SDK do Python e Consultar um ponto de extremidade de pesquisa vetorial.
Cálculo de pesquisa de similaridade
O cálculo da pesquisa de semelhança usa a seguinte fórmula:
onde dist é a distância euclidiana entre a consulta q e a entrada xde índice :
Algoritmo de pesquisa de palavras-chave
Os escores de relevância são calculados usando Okapi BM25. Todas as colunas de texto ou cadeia de caracteres são pesquisadas, incluindo a incorporação do texto de origem e colunas de metadados em formato de texto ou cadeia de caracteres. A função de tokenização se divide nos limites das palavras, remove a pontuação e converte todo o texto em minúsculas.
Como a pesquisa por semelhança e a pesquisa por palavra-chave são combinadas
A pesquisa de semelhança e os resultados da pesquisa por palavra-chave são combinados usando a função Reciprocal Rank Fusion (RRF).
O RRF repontua cada documento de cada método usando a pontuação:
Na equação acima, a classificação começa em 0, soma as pontuações de cada documento e retorna os documentos com maior pontuação.
rrf_param controla a importância relativa de documentos de classificação superior e inferior. Com base na literatura, rrf_param está definido para 60.
As pontuações são normalizadas para que a pontuação mais alta seja 1 e a pontuação mais baixa seja 0 usando a seguinte equação:
Opções para fornecer incorporações vetoriais
Para criar um banco de dados vetorial no Databricks, você deve primeiro decidir como fornecer incorporações vetoriais. O Databricks suporta três opções:
Opção 1: Índice de sincronização delta com incorporações calculadas pelo Databricks Você fornece uma tabela Delta de origem que contém dados em formato de texto. O Databricks calcula as incorporações, usando um modelo que você especifica, e, opcionalmente, salva as incorporações em uma tabela no Unity Catalog. À medida que a tabela Delta é atualizada, o índice permanece sincronizado com a tabela Delta.
O diagrama a seguir ilustra o processo:
- Calcule incorporações de consulta. A consulta pode incluir filtros de metadados.
- Realize pesquisas de semelhança para identificar os documentos mais relevantes.
- Devolva os documentos mais relevantes e acrescente-os à consulta.
Opção 2: Índice de sincronização delta com incorporações autogerenciadas Você fornece uma tabela Delta de origem que contém incorporações pré-calculadas. À medida que a tabela Delta é atualizada, o índice permanece sincronizado com a tabela Delta.
O diagrama a seguir ilustra o processo:
- A consulta consiste em incorporações e pode incluir filtros de metadados.
- Realize pesquisas de semelhança para identificar os documentos mais relevantes. Devolva os documentos mais relevantes e acrescente-os à consulta.
Opção 3: Índice de acesso vetorial direto Você deve atualizar manualmente o índice usando a API REST quando a tabela de incorporação for alterada.
O diagrama a seguir ilustra o processo:
Como configurar o Mosaic AI Vetor Search
Para usar o Mosaic AI Vetor Search, você deve criar o seguinte:
- Um ponto de extremidade de pesquisa vetorial. Este ponto de extremidade serve o índice de pesquisa vetorial. Você pode consultar e atualizar o ponto de extremidade usando a API REST ou o SDK. Os pontos de extremidade são dimensionados automaticamente para suportar o tamanho do índice ou o número de solicitações simultâneas. Consulte Criar um ponto de extremidade de pesquisa vetorial para obter instruções.
- Um índice de pesquisa vetorial. O índice de pesquisa vetorial é criado a partir de uma tabela Delta e é otimizado para fornecer pesquisas aproximadas em tempo real do vizinho mais próximo. O objetivo da pesquisa é identificar documentos semelhantes à consulta. Os índices de pesquisa vetorial aparecem e são regidos pelo Unity Catalog. Consulte Criar um índice de pesquisa vetorial para obter instruções.
Além disso, se você optar por fazer com que o Databricks calcule as incorporações, poderá usar um ponto de extremidade de APIs de Modelo de Base pré-configurado ou criar um ponto de extremidade de serviço de modelo para atender ao modelo de incorporação de sua escolha. Consulte APIs de modelo de base de pagamento por token ou Criar modelo de IA generativo servindo pontos de extremidade para obter instruções.
Para consultar o ponto de extremidade de serviço do modelo, use a API REST ou o SDK do Python. Sua consulta pode definir filtros com base em qualquer coluna na tabela Delta. Para obter detalhes, consulte Usar filtros em consultas, a referência da API ou a referência do SDK do Python.
Requisitos
- Espaço de trabalho habilitado para Catálogo Unity.
- Computação sem servidor habilitada. Para obter instruções, consulte Conectar-se à computação sem servidor.
- A tabela de origem deve ter o Change Data Feed habilitado. Para obter instruções, consulte Usar o feed de dados de alteração do Delta Lake no Azure Databricks.
- CRIAR privilégios TABLE no(s) esquema(s) de catálogo para criar índices.
- Tokens de acesso pessoal ativados.
A permissão para criar e gerenciar pontos de extremidade de pesquisa vetorial é configurada usando listas de controle de acesso. Consulte ACLs de ponto de extremidade de pesquisa vetorial.
Proteção de dados e autenticação
O Databricks implementa os seguintes controles de segurança para proteger seus dados:
- Todas as solicitações de clientes para o Mosaic AI Vetor Search são logicamente isoladas, autenticadas e autorizadas.
- O Mosaic AI Vetor Search encripta todos os dados em repouso (AES-256) e em trânsito (TLS 1.2+).
O Mosaic AI Vetor Search suporta dois modos de autenticação:
- Token de acesso pessoal - Você pode usar um token de acesso pessoal para autenticar com o Mosaic AI Vetor Search. Consulte Token de autenticação de acesso pessoal. Se você usar o SDK em um ambiente de bloco de anotações, ele gerará automaticamente um token PAT para autenticação.
- Token da entidade de serviço - Um administrador pode gerar um token de entidade de serviço e passá-lo para o SDK ou API. Consulte Usar entidades de serviço. Para casos de uso de produção, o Databricks recomenda o uso de um token de entidade de serviço.
As chaves gerenciadas pelo cliente (CMK) são suportadas em pontos de extremidade criados em ou após 8 de maio de 2024.
Monitorizar a utilização e os custos
A tabela do sistema de uso faturável permite monitorar o uso e os custos associados a índices e pontos de extremidade de pesquisa vetorial. Segue-se uma consulta de exemplo:
WITH all_vector_search_usage (
SELECT *,
CASE WHEN usage_metadata.endpoint_name IS NULL
THEN 'ingest'
ELSE 'serving'
END as workload_type
FROM system.billing.usage
WHERE billing_origin_product = 'VECTOR_SEARCH'
),
daily_dbus AS (
SELECT workspace_id,
cloud,
usage_date,
workload_type,
usage_metadata.endpoint_name as vector_search_endpoint,
SUM(usage_quantity) as dbus
FROM all_vector_search_usage
GROUP BY all
ORDER BY 1,2,3,4,5 DESC
)
SELECT * FROM daily_dbus
Para obter detalhes sobre o conteúdo da tabela de uso de faturamento, consulte Referência da tabela do sistema de uso faturável. Consultas adicionais estão no bloco de anotações de exemplo a seguir.
Bloco de notas de consultas de tabelas do sistema de pesquisa vetorial
Limites de tamanho de recursos e dados
A tabela a seguir resume os limites de tamanho de recursos e dados para pontos de extremidade e índices de pesquisa vetorial:
| Recurso | Granularidade | Limite |
|---|---|---|
| Pontos de extremidade de pesquisa vetorial | Por espaço de trabalho | 100 |
| Incorporações | Por parâmetro de avaliação | 320,000,000 |
| Dimensão de incorporação | Por índice | 4096 |
| Índices | Por parâmetro de avaliação | 50 |
| Colunas | Por índice | 50 |
| Colunas | Tipos suportados: Bytes, curto, inteiro, longo, float, duplo, booleano, string, timestamp, data | |
| Campos de metadados | Por índice | 20 |
| Nome do índice | Por índice | 128 caracteres |
Os seguintes limites aplicam-se à criação e atualização de índices de pesquisa vetorial:
| Recurso | Granularidade | Limite |
|---|---|---|
| Tamanho da linha para o Delta Sync Index | Por índice | 100KB |
| Incorporando o tamanho da coluna de origem para o índice Delta Sync | Por índice | 32764 bytes |
| Limite de tamanho de solicitação de upsert em massa para o índice Direct Vetor | Por índice | 10 MB |
| Limite de tamanho de solicitação de exclusão em massa para o índice Direct Vetor | Por índice | 10 MB |
Os limites a seguir se aplicam à API de consulta.
| Recurso | Granularidade | Limite |
|---|---|---|
| Comprimento do texto da consulta | Por consulta | 32764 |
| Número máximo de resultados retornados | Por consulta | 10.000 |
Limitações
- Não há suporte para permissões de nível de linha e coluna. No entanto, você pode implementar suas próprias ACLs de nível de aplicativo usando a API de filtro.